Знакомство с командой HyperAGI и предысторией проекта

HyperAGI — это первый децентрализованный проект ИИ, управляемый сообществом с помощью AI Rune HYPER· АГИ· АГЕНТ. Команда HyperAGI уже много лет глубоко вовлечена в сферу ИИ, накопив значительный опыт в приложениях генеративного ИИ Web3. Три года назад команда HyperAGI использовала генеративный ИИ для создания 2D-изображений и 3D-моделей, создав открытый мир под названием MOSSAI на блокчейне, состоящий из тысяч островов, сгенерированных искусственным интеллектом. Они также предложили стандарт для невзаимозаменяемых криптографических активов, генерируемых искусственным интеллектом, NFG. Однако на тот момент децентрализованные решения для обучения и генерации моделей ИИ еще не были разработаны. Одних только ресурсов GPU платформы было недостаточно для поддержки большого количества пользователей, что предотвратило взрывной рост. С появлением больших языковых моделей (LLM), разжигающих общественный интерес к ИИ, HyperAGI запустила свою децентрализованную платформу приложений ИИ, начав тестирование Ethereum и Bitcoin L2 в 1 квартале 2024 года.

HyperAGI фокусируется на децентрализованных приложениях искусственного интеллекта, стремясь развивать автономную криптовалютную экономику. Его конечная цель – установление безусловного базового агентского дохода (UBAI). Он унаследовал надежную безопасность и децентрализацию Биткойна, усиленную инновационным механизмом консенсуса Proof of Useful Work (PoUW). Узлы GPU потребительского класса могут присоединяться к сети без разрешения, добывая локальные токены $HYPT, выполняя задачи PoUW, такие как инференс ИИ и 3D-рендеринг.

Пользователи могут разрабатывать агенты Proof of Personhood (PoP) AGI, управляемые магистрами права, используя различные инструменты. Эти агенты могут быть настроены как чат-боты или 3D/XR-сущности в метавселенной. Разработчики ИИ могут мгновенно использовать или развертывать микросервисы ИИ LLM, облегчая создание программируемых автономных ончейн-агентов. Эти программируемые агенты могут выпускать или владеть криптовалютными активами, постоянно работать или торговать, внося свой вклад в динамичную, автономную криптоэкономику, которая поддерживает реализацию UBAI. Пользователи, владеющие HYPER· АГИ· Рунические токены AGENT имеют право на создание агента PoP в цепочке Bitcoin Layer 1 и вскоре могут претендовать на основные преимущества для своих агентов.

Что такое ИИ-агент? Чем агент HyperAGI отличается от других?

Концепция ИИ-агента не нова в академических кругах, но нынешняя рыночная шумиха сделала этот термин все более запутанным. Агенты HyperAGI относятся к воплощенным агентам, управляемым LLM, которые могут обучаться в виртуальных средах 3D-моделирования и взаимодействовать с пользователями, а не только с чат-ботами, управляемыми LLM. Агенты HyperAGI могут существовать как в виртуальном цифровом мире, так и в реальном физическом мире. В настоящее время агенты HyperAGI интегрируются с физическими роботами, такими как роботизированные собаки, дроны и человекоподобные роботы. В будущем эти агенты смогут загружать расширенное обучение из виртуального 3D-мира на физических роботов для лучшего выполнения задач.

Кроме того, агенты HyperAGI полностью принадлежат пользователям и имеют социально-экономическое значение. Агенты PoP, представляющие пользователей, могут получать UBAI для корректировки базового дохода оператора. Агенты HyperAGI делятся на агенты PoP (Proof of Personhood), представляющие индивидуальных пользователей, и обычные функциональные агенты. В агентской экономике HyperAGI агенты PoP могут получать базовый доход в виде токенов, стимулируя пользователей участвовать в обучении и взаимодействии своих агентов присутствия. Это помогает накапливать данные, доказывающие человеческую индивидуальность, а UBAI олицетворяет равенство и демократию ИИ.

Является ли AGI хайпом или он скоро станет реальностью? Каковы отличия и характеристики исследований и разработок HyperAGI по сравнению с другими проектами в области ИИ?

Несмотря на то, что определение общего искусственного интеллекта (AGI) еще не едино, на протяжении десятилетий он считался Святым Граалем для научных кругов и промышленности в области ИИ. В то время как большие языковые модели (LLM), основанные на трансформерах, становятся ядром различных агентов ИИ и AGI, HyperAGI не полностью разделяет эту точку зрения. LLM действительно обеспечивают новое и удобное извлечение информации, а также возможности планирования и рассуждения на основе естественного языка. Тем не менее, по сути, это глубокие нейронные сети, управляемые данными. Много лет назад, во время бума больших данных, мы поняли, что такие системы по своей сути страдают от GIGO (Garbage in, garbage out). У LLM отсутствуют некоторые существенные характеристики продвинутого интеллекта, такие как телесность, что затрудняет понимание ИИ или агентами моделей мира пользователей или формулирование планов и принятие мер для решения реальных проблем. Более того, LLM не демонстрируют более высоких когнитивных действий, таких как самосознание, рефлексия или самоанализ.

Наш основатель, Лэндон Ванг, имеет обширный и многолетний опыт исследований в области искусственного интеллекта. В 2004 году он предложил аспектно-ориентированный ИИ (AOAI), инновацию, сочетающую нейронные вычисления с аспектно-ориентированным программированием (АОП). Аспект относится к инкапсуляции нескольких отношений или ограничений между объектами. Например, нейрон представляет собой инкапсуляцию отношений или ограничений с несколькими другими клетками. В частности, нейрон взаимодействует с сенсорными или двигательными клетками через волокна и синапсы, отходящие от тела нейрона, что делает каждый нейрон аспектом, содержащим такие отношения и логику. Каждый агент ИИ можно рассматривать как решающий определенный аспект проблемы, и технически он может быть смоделирован как аспект.

В программной реализации искусственных нейронных сетей нейроны или слои, как правило, моделируются как объекты, что понятно и поддерживается в объектно-ориентированных языках программирования. Однако это затрудняет настройку топологии нейронной сети, а последовательности активации нейронов относительно жесткие. Несмотря на то, что он демонстрирует большую эффективность при выполнении простых высокоинтенсивных вычислений, таких как обучение и логический вывод LLM, он плохо работает с точки зрения гибкости и адаптивности. С другой стороны, в AOAI нейроны или слои моделируются как аспекты, а не объекты. Такая архитектура нейронных сетей обладает высокой адаптивностью и гибкостью, что делает возможной самоэволюцию нейронных сетей.

HyperAGI сочетает в себе эффективные LLM с эволюционируемым AOAI, образуя путь, который интегрирует эффективность традиционных искусственных нейронных сетей с характеристиками самоэволюции нейронных сетей AO. На сегодняшний день это рассматривается как осуществимый подход к достижению ОИИ.

Каково видение HyperAGI

Видение HyperAGI заключается в достижении безусловного базового дохода агента (UBAI), построении будущего, в котором технологии справедливо служат всем, разрыве цикла эксплуатации и создании по-настоящему децентрализованного и справедливого цифрового общества. В отличие от других блокчейн-проектов, которые только заявляют о приверженности UBI, UBAI от HyperAGI имеет четкий путь реализации через агентскую экономику, а не является недостижимым идеалом.

Введение биткоина Сатоши Накамото было монументальным нововведением для человечества, но это всего лишь децентрализованная цифровая валюта, не имеющая практической пользы. Значительные достижения и развитие искусственного интеллекта сделали возможным создание ценности с помощью децентрализованной модели. В этой модели люди выигрывают от того, что ИИ работает на машинах, а не от ценности других. Зарождается настоящий криптографический мир, основанный на коде, где все машины созданы на благо и благополучие человечества.

В таком криптографическом мире среди агентов ИИ все еще могут существовать иерархии, но эксплуатация человеком исключена, потому что сами агенты могут обладать некоторой формой автономии. Конечная цель и значение искусственного интеллекта — служить человечеству, как это закодировано в блокчейне.

Взаимосвязь между Bitcoin L2 и искусственным интеллектом, и зачем создавать ИИ на основе Bitcoin L2

1. Bitcoin L2 как способ оплаты для ИИ-агентов

   Биткойн в настоящее время является средством, которое олицетворяет «максимальный нейтралитет», что делает его очень подходящим для агентов искусственного интеллекта, участвующих в транзакциях с ценностями. Биткоин устраняет неэффективность и «трения», присущие фиатным валютам. Будучи «цифровой» средой, Биткойн обеспечивает естественную основу для ИИ для проведения обмена ценностями. Bitcoin L2 расширяет программируемые возможности биткоина, отвечая требованиям к скорости, необходимым для обмена ценностями ИИ, тем самым позиционируя биткоин как нативную валюту для ИИ.

2. Децентрализованное управление ИИ на Bitcoin L2

   Нынешняя тенденция централизации в области ИИ привлекла внимание к согласованию и управлению децентрализованным ИИ. Более мощные смарт-контракты Bitcoin L2 могут служить правилами, регулирующими поведение агентов ИИ и модели протоколов, обеспечивая децентрализованную модель выравнивания и управления ИИ. Более того, максимальная нейтральность биткоина облегчает достижение консенсуса по вопросам согласования и управления ИИ.

3. Выпуск AI-активов на Bitcoin L2

   В дополнение к выпуску агентов ИИ в качестве активов на Bitcoin L1, высокая производительность Bitcoin L2 может удовлетворить потребности агентов ИИ, выпускающих активы ИИ, которые станут основой экономики агентов.

4. ИИ-агенты как убойное приложение для биткоина и биткоина L2

   Из-за проблем с производительностью Биткойн с момента своего создания не имел практического применения, кроме как средство сбережения. Биткоин, входящий в L2, получает более мощную программируемость. Агенты ИИ, как правило, используются для решения реальных проблем, поэтому агенты ИИ, управляемые Биткойном, могут быть действительно применены. Масштаб и частота использования ИИ-агентов могут стать убойным приложением для Bitcoin и L2. В то время как человеческая экономика может не отдавать приоритет биткоину в качестве способа оплаты, экономика роботов может. Большое количество ИИ-агентов, работающих в режиме 24/7, могут неустанно использовать биткоин для совершения и получения микроплатежей. Спрос на биткоин может значительно возрасти способами, которые в настоящее время невозможно себе представить.

5. Вычисления на основе искусственного интеллекта для повышения безопасности Bitcoin L2

   Вычисления на основе искусственного интеллекта могут дополнить Proof of Work (PoW) Биткойна и даже заменить PoW на Proof of Useful Work (PoUW), революционно обеспечивая безопасность и одновременно вводя энергию, используемую в настоящее время для майнинга биткойнов, в агентов ИИ. Искусственный интеллект может использовать L2, чтобы превратить биткоин в интеллектуальный, экологичный блокчейн, в отличие от механизма PoS Ethereum. Предлагаемый нами консенсус Hypergraph, основанный на PoUW 3D/AI вычислений, будет представлен позже.

Что делает HyperAGI уникальным по сравнению с другими децентрализованными проектами ИИ?

HyperAGI выделяется в области искусственного интеллекта Web3 благодаря своему особому видению, решениям и технологиям. Подход HyperAGI включает в себя консенсус вычислительной мощности GPU, воплощение ИИ и активизацию, что делает его децентрализованным гибридным ИИ-финансовым приложением. Недавно научное сообщество предложило пять характеристик, которыми должны обладать децентрализованные платформы ИИ, и мы кратко рассмотрели и сравнили существующие децентрализованные проекты ИИ в соответствии с этими пятью особенностями. Пять характеристик децентрализованных платформ ИИ:

1. Верифицируемость удаленно запущенных моделей ИИ
   • Децентрализованная проверяемость включает в себя такие технологии, как доступность данных и доказательства с нулевым разглашением (ZK).
2. Юзабилити общедоступных моделей ИИ
   • Удобство использования зависит от того, являются ли узлы API модели ИИ (в основном LLM) одноранговыми и является ли сеть полностью децентрализованной.
3. Поощрение разработчиков и пользователей ИИ
   • Справедливые механизмы генерации токенов имеют решающее значение для стимулирования.
4. Глобальное управление важнейшими решениями в цифровом обществе
   • Управление ИИ должно быть нейтральным и основанным на консенсусе.
5. Отсутствие привязки к поставщику
   • Платформа должна быть полностью децентрализованной.

Сравнение существующих децентрализованных проектов ИИ на основе этих характеристик:

1. Верифицируемость удаленно запущенных моделей ИИ
   • Гиза: Основанная на механизме консенсуса ZKML, Giza соответствует требованию проверяемости, но в настоящее время страдает от проблем с производительностью, особенно с большими моделями.
   • Cortex AI: Децентрализованный проект AI L1, начатый пять лет назад, Cortex AI включает новые инструкции в EVM для поддержки вычислений нейронных сетей, но не может удовлетворить потребности больших моделей LLM.
   • Ofelimos: Первое предложение PoUW в криптографическом сообществе, но не связанное с конкретными приложениями или проектами.
   • Проект PAI: Упомянул PoUW в белой книге, но не имеет продукта.
   • Qubic: Предлагает PoUW с использованием нескольких графических процессоров для вычислений на искусственных нейронных сетях, но его практическое применение остается неясным.
   • FLUX: использует PoW ZelHash, а не PoUW.
   • Coinai: На этапе исследования отсутствует строгий механизм консенсуса.
2. К проектам, которые не соответствуют критерию проверяемости, относятся:
   • Проекты по аренде вычислений на GPU: Отсутствуют децентрализованные механизмы проверки, такие как DeepBrain Chain, EMC, Atheir, IO.NET, CLORE. ИИ и другие.
   • DeepBrain Chain: специализируется на аренде графических процессоров, запустила свою основную сеть в 2021 году.
   • EMC: централизованное распределение задач и вознаграждений, отсутствует децентрализованный консенсус.
   • Их и IO.NET: Механизмов консенсуса не наблюдается.
   • КЛОРЕ. ИИ: использует краудсорсинг, ончейн-платежи для выпуска моделей ИИ и выпуск NFT, но не имеет возможности проверки. К похожим проектам относятся SingularityNET, Bittensor, AINN, Fetch.ai, Ocean Protocol и Algovera.ai.
3. Юзабилити общедоступных моделей ИИ
   • Cortex AI и Qubic: поддержка LLM не наблюдается.

Ни один из существующих децентрализованных проектов ИИ не решает в полной мере эти пять проблем. HyperAGI, однако, является полностью децентрализованным протоколом искусственного интеллекта, основанным на механизме консенсуса Hypergraph PoUW и полностью децентрализованном стеке Bitcoin L2, с планами обновления до L2, специфичного для Bitcoin AI, в будущем.

Уникальные особенности HyperAGI:

• Механизм консенсуса Hypergraph PoUW: обеспечивает сетевую безопасность наиболее эффективным образом, используя всю вычислительную мощность, предоставляемую майнерами для логического вывода LLM и услуг облачного рендеринга.
• Полностью децентрализованная платформа: основана на стеке Bitcoin L2, который гарантирует, что платформа свободна от привязки к поставщику и способствует легкому консенсусу по управлению искусственным интеллектом.
• Проверяемость и удобство использования: Концепция PoUW гарантирует, что вычислительная мощность может быть использована для решения различных задач, передаваемых в децентрализованную сеть, решая проблему проверяемости удаленно запущенных моделей ИИ и делая общедоступные модели ИИ пригодными для использования.

HyperAGI не только отвечает требованиям, предъявляемым к децентрализованной платформе ИИ, но и продвигает эту область благодаря уникальной интеграции вычислительной мощности GPU и активов ИИ в децентрализованной структуре.

Почему именно сейчас?

1. Взрывной рост LLM и их применение

ChatGPT от OpenAI достиг 100 миллионов пользователей всего за три месяца, вызвав глобальный всплеск разработки, применения и инвестиций в большие языковые модели (LLM). Тем не менее, до этого момента технологии и обучение магистров права были в высшей степени централизованы. Эта централизация вызвала серьезную обеспокоенность среди научных кругов, промышленности и общественности в связи с монополизацией технологии ИИ несколькими ключевыми поставщиками, нарушениями конфиденциальности данных, посягательствами и привязкой к поставщикам со стороны компаний, занимающихся облачными вычислениями. Эти проблемы в основном связаны с управлением Интернетом и шлюзами приложений централизованными платформами, которые не подходят для крупномасштабных приложений ИИ. Сообщество ИИ приступило к реализации некоторых локальных и децентрализованных проектов ИИ. Например, Ollama представляет локальное выполнение, а Petals — децентрализацию. Ollama использует методы сжатия параметров или пониженной точности, чтобы позволить малым и средним LLM работать на персональных компьютерах или даже мобильных телефонах, тем самым защищая конфиденциальность пользовательских данных и другие права. Однако очевидно, что такой подход затрудняет поддержку производственных сред и сетевых приложений. С другой стороны, Petals обеспечивает полностью децентрализованный логический вывод LLM с помощью технологии Bittorrent Peer2Peer. Тем не менее, в Petals отсутствуют протоколы консенсуса и поощрительного уровня, и он по-прежнему ограничен узким кругом исследователей.

2. Интеллектуальные агенты, управляемые LLM

При поддержке магистров права интеллектуальные агенты могут выполнять рассуждения более высокого уровня и обладают определенными способностями планирования. Используя естественный язык, несколько разумных агентов могут формировать социальное сотрудничество, подобное человеческому. Было предложено несколько интеллектуальных агентных фреймворков на основе LLM, таких как Microsoft AutoGen, Langchain и CrewAI. В настоящее время большое количество предпринимателей и разработчиков в области ИИ сосредоточены на направлении интеллектуальных агентов на основе LLM и их приложений. Существует высокий спрос на стабильный, масштабируемый логический вывод LLM, но это в основном достигается за счет аренды инстансов GPU у компаний, занимающихся облачными вычислениями. В марте 2024 года Nvidia выпустила ai.nvidia.com, микросервисную платформу генеративного ИИ, которая включает в себя LLM, чтобы удовлетворить этот огромный спрос, хотя она еще не была официально запущена. Интеллектуальные агенты, управляемые LLM, переживают бум, как когда-то процветала разработка веб-сайтов. Тем не менее, совместная работа по-прежнему в основном ведется в традиционном режиме Web2, где разработчикам интеллектуальных агентов необходимо арендовать графические процессоры или приобретать API у поставщиков LLM для поддержки работы этих агентов. Это создает значительные трения, препятствуя быстрому росту экосистемы интеллектуальных агентов и передаче ценности в экономике интеллектуальных агентов.

3. Среды моделирования воплощенных агентов

В настоящее время большинство агентов могут получать доступ к определенным API и работать с ними только или взаимодействовать с ними с помощью кода или скриптов, написания управляющих команд, генерируемых LLM, или чтения внешних состояний. Общие разумные агенты должны не только понимать и генерировать естественный язык, но и понимать человеческий мир. После соответствующей подготовки они должны быть в состоянии переходить на роботизированные системы (такие как дроны, пылесосы, человекоподобные роботы и т. д.) для выполнения конкретных задач. Эти агенты называются воплощенными агентами. Для обучения воплощенных агентов требуется большое количество реальных визуальных данных, которые помогают им лучше понимать конкретные среды и реальный мир, сокращая время обучения и разработки роботов, повышая эффективность обучения и снижая затраты. В настоящее время симуляционные среды для тренировки воплощенного интеллекта созданы и принадлежат нескольким компаниям, таким как Microsoft Minecraft и Isaac Gym от Nvidia. Не существует децентрализованных сред для удовлетворения потребностей в обучении воплощенного интеллекта. В последнее время некоторые игровые движки начали фокусироваться на искусственном интеллекте, например, Unreal Engine от Epic, который продвигает среды обучения ИИ, соответствующие OpenAI GYM.

4. Экосистема Bitcoin L2

Хотя сайдчейны биткоина существуют уже много лет, они в основном использовались для платежей, а отсутствие поддержки смарт-контрактов препятствовало сложным ончейн-приложениям. Появление EVM-совместимых Bitcoin L2 позволяет биткоину поддерживать децентрализованные приложения ИИ через L2. Децентрализованный ИИ требует полностью децентрализованной, вычислительно доминирующей блокчейн-сети, а не все более централизованных блокчейн-сетей PoS. Внедрение новых протоколов для нативных активов Биткойна, таких как надписи и порядковые номера, делает возможным создание экосистем и приложений на основе Биткойна. Например, честная минта HYPER•AGI•AGENT была завершена в течение часа, и в будущем HyperAGI выпустит больше активов искусственного интеллекта и приложений, управляемых сообществом, на биткойнах.

Техническая структура и решения HyperAGI

1.Как реализовать децентрализованную платформу приложений для интеллектуальных агентов на основе LLM?

Основная проблема децентрализованного ИИ сегодня заключается в том, чтобы обеспечить удаленный логический вывод для больших моделей ИИ, а также обучение и вывод воплощенных интеллектуальных агентов с помощью высокопроизводительных проверяемых алгоритмов с низкими накладными расходами. Без возможности проверки система вернется к традиционной многосторонней рыночной модели с участием поставщиков, потребителей и операторов платформ, а не к полностью децентрализованной платформе приложений ИИ.

Для верифицируемых вычислений ИИ требуется алгоритм консенсуса PoUW (Proof of Useful Work). Это служит основой для децентрализованных механизмов стимулирования. В частности, в рамках сетевых стимулов чеканка токенов осуществляется узлами, выполняющими вычислительные задачи и предоставляющими проверяемые результаты, а не какой-либо централизованной организацией, передающей токены узлам.

Чтобы добиться верифицируемых вычислений ИИ, нам сначала нужно определить сами вычисления ИИ. Вычисления ИИ охватывают множество уровней, от низкоуровневых машинных инструкций и инструкций CUDA до языков более высокого уровня, таких как C++ и Python. Точно так же при обучении воплощенных интеллектуальных агентов 3D-вычисления также существуют на различных уровнях, включая языки шейдеров, OpenGL, C++ и скрипты чертежей.

Алгоритм консенсуса PoUW от HyperAGI реализован с помощью вычислительных графов. Вычислительный граф определяется как ориентированный граф, в котором узлам соответствуют математические операции. Это способ выражения и вычисления математических выражений, по сути «язык», описывающий уравнения, содержащие узлы (переменные) и ребра (операции или простые функции).

Верифицируемая реализация вычислений на основе ИИ:

1.1 Использование вычислительных графов для определения верифицируемых вычислений

Любые вычисления (например, 3D-вычисления и вычисления ИИ) могут быть определены с помощью вычислительных графов. Различные уровни вычислений могут быть представлены с помощью подграфов. Этот подход охватывает различные типы вычислений и выражает различные вычислительные уровни с помощью подграфов. В настоящее время он включает в себя два уровня: вычислительный граф верхнего уровня развертывается в блокчейне для облегчения проверки узлами.

1.2 Децентрализованная загрузка и выполнение LLM-моделей и 3D-сцен

Модели LLM и уровни 3D-сцен загружаются и запускаются полностью децентрализованно. Когда пользователь обращается к модели LLM для логического вывода или входит в 3D-сцену для рендеринга, интеллектуальный агент HyperAGI инициирует другой доверенный узел для запуска того же гиперграфа (LLM или 3D-сцены).

1.3 Верификация результатов вычислений

Если узел верификации обнаруживает, что результат, отправленный узлом, не соответствует результату, отправленному доверенным узлом, он выполняет двоичный поиск по результатам вычислений вне цепочки вычислительного графа (подграфа) второго уровня, чтобы найти расходящийся вычислительный узел (оператор) в подграфе. Операторы подграфов предварительно развернуты в смарт-контрактах. Передав параметры несогласованного оператора в смарт-контракт и выполнив оператора, результаты можно проверить.

2. Как избежать чрезмерных вычислительных накладных расходов?

Серьезной проблемой в верифицируемых вычислениях ИИ является управление дополнительными вычислительными издержками. В византийских протоколах консенсуса 2/3 узлов должны согласиться для формирования консенсуса. Для консенсуса логического вывода ИИ это означает, что все узлы должны выполнять одни и те же вычисления, что является недопустимой тратой при вычислениях ИИ. Однако для HyperAGI требуется от 1 до (m) узлов для выполнения дополнительных вычислений для проверки.

2.1 Сопутствующие вычисления для логического вывода LLM

Каждый логический вывод LLM не выполняется независимо. Интеллектуальный агент HyperAGI инициирует по крайней мере один доверенный узел для «сопутствующих вычислений». Поскольку логический вывод LLM выполняется глубокими нейронными сетями, где результаты вычислений каждого слоя используются в качестве входных данных для следующего слоя до тех пор, пока вывод не будет завершен, несколько пользователей могут одновременно получить доступ к одной и той же большой модели LLM. Таким образом, в лучшем случае необходимо инициировать дополнительное количество доверенных узлов, равное количеству LLM (m). Как минимум, для «сопутствующих вычислений» требуется как минимум один доверенный узел.

2.2 Вычисления рендеринга 3D-сцены

Рендеринг 3D-сцены работает по аналогичному принципу. Когда пользователь входит в сцену и активирует гиперграф, интеллектуальный агент HyperAGI загружает доверенный узел на основе гиперграфа для выполнения соответствующих вычислений гиперграфа. Если (m) пользователи заходят в разные 3D-сцены, необходимо инициировать не более (m) доверенных узлов для «сопутствующих вычислений».

Таким образом, количество узлов, участвующих в дополнительных вычислениях, находится в диапазоне от 1 до (n + m) (где (n) — количество пользователей, входящих в 3D-сцены, и (m) — количество LLM). Это распределение следует распределению Гаусса, эффективно избегая потерь ресурсов и обеспечивая эффективность проверки сети.

Как ИИ интегрируется с Web3 для формирования полу-ИИ и полуфинансовых приложений

Разработчики ИИ могут развертывать интеллектуальных агентов в виде смарт-контрактов, при этом контракты содержат данные гиперграфа верхнего уровня в сети. Пользователи или другие интеллектуальные агенты могут вызывать методы этих контрактов интеллектуальных агентов и оплачивать соответствующие токены. Интеллектуальный агент, предоставляющий услугу, должен выполнить соответствующие вычисления и предоставить проверяемые результаты. Такая настройка обеспечивает децентрализованное бизнес-взаимодействие между пользователями или другими интеллектуальными агентами и интеллектуальным агентом.

Интеллектуальный агент не будет беспокоиться о том, что не получит токены после выполнения задачи, а плательщику не нужно беспокоиться о выплате токенов без получения правильных результатов бизнес-вычислений. Возможности и ценность услуг интеллектуального агента определяются вторичной рыночной ценой и рыночной стоимостью активов интеллектуального агента (включая NFT ERC-20, ERC-721 или ERC-1155).

За пределами полуискусственного интеллекта и полуфинансовых приложений

Применение HyperAGI не ограничивается полу-ИИ и полуфинансовыми приложениями. Он направлен на реализацию UBAI (Universal Basic AI), построение будущего, в котором технологии служат всем в равной степени, разрыв циклов эксплуатации и создание по-настоящему децентрализованного и справедливого цифрового общества.

утверждение:

1. Эта статья воспроизведена из [techflow deep tide], оригинальное название — «Интервью с HyperAGI: создание настоящего агента ИИ и создание автономной криптовалютной экономики», авторские права принадлежат оригинальному автору [В-пятых], если у вас есть какие-либо возражения против перепечатки, пожалуйста, свяжитесь с командой Gate Learn, команда обработает это как можно скорее в соответствии с соответствующими процедурами.

2. Дисклеймер: Взгляды и мнения, выраженные в этой статье, представляют собой только личные взгляды автора и не являются какими-либо инвестиционными рекомендациями.

3. Другие языковые версии статьи переводятся командой Gate Learn, не упомянутые в Gate.io, переведенная статья не может быть воспроизведена, распространена или использована в качестве плагиата.